Exponenta Banner
exponenta event banner

ecmmvnrstd

Оцените стандартные погрешности для многомерной нормальной модели регрессии

Синтаксис

[StdParameters, StdCovariance] = ecmmvnrstd(Data,Design,Covariance,Method,CovarFormat)

Аргументы

Data

NUMSAMPLES-by-NUMSERIES матрица с выборками NUMSAMPLES NUMSERIES - размерный случайный вектор. Отсутствующие значения представлены как NaN s. Только выборки, которые являются полностью NaN s, проигнорированы. (Чтобы проигнорировать выборки по крайней мере с одним NaN, используйте mvnrstd.)

Design

Матрица или массив ячеек, который обрабатывает две образцовых структуры:

  • Если NUMSERIES = 1, Design является NUMSAMPLES-by-NUMPARAMS матрица с известными значениями. Эта структура является стандартной формой для регрессии на одном ряде.

  • Если NUMSERIES ≥ 1, Design является массивом ячеек. Массив ячеек содержит или один или ячейки NUMSAMPLES. Каждая ячейка содержит NUMSERIES-by-NUMPARAMS матрица известных значений.

    Если Design имеет отдельную ячейку, он принят, чтобы иметь ту же матрицу Design для каждой выборки. Если Design имеет больше чем одну ячейку, каждая ячейка содержит матрицу Design для каждой выборки.

Covariance

NUMSERIES-by-NUMSERIES матрица оценок для ковариации невязок регрессии.

Method

(Необязательно) Вектор символов, который идентифицирует метод вычисления для информационной матрицы:

  • hessian — Метод по умолчанию. Используйте ожидаемую матрицу Гессиана наблюдаемой логарифмической функции правдоподобия. Этот метод рекомендуется, поскольку результирующие стандартные погрешности включают увеличенную неуверенность из-за недостающих данных.

  • fisher — Используйте матрицу информации о Фишере.

CovarFormat

(Необязательно) Вектор символов, который задает формат для ковариационной матрицы. Выбор:

  • полный Метод по умолчанию. Ковариационная матрица является полной матрицей.

  • 'diagonal' — Ковариационная матрица является диагональной матрицей.

Описание

[StdParameters,StdCovariance] = ecmmvnrstd(Data,Design,Covariance,Method,CovarFormat) оценивает стандартные погрешности для многомерной нормальной модели регрессии с недостающими данными. Модель имеет форму

Datak∼N(Designk×Parameters, Covariance)

для выборок k = 1..., NUMSAMPLES.

ecmmvnrstd вычисляет два выходных параметров:

  • StdParameters является NUMPARAMS-by-1 вектор-столбец стандартных погрешностей для каждого элемента Parameters, вектора предполагаемых параметров модели.

  • StdCovariance является NUMSERIES-by-NUMSERIES матрица стандартных погрешностей для каждого элемента Covariance, матрица предполагаемых параметров ковариации.

    Примечание

    ecmmvnrstd действует медленно, когда вы вычисляете стандартные погрешности, сопоставленные с ковариационной матрицей Covariance.

Примечания

Можно сконфигурировать Design как матрицу если NUMSERIES = 1 или как массив ячеек если  NUMSERIES ≥ 1.

  • Если Design является массивом ячеек и NUMSERIES = 1, каждая ячейка содержит вектор - строку NUMPARAMS.

  • Если Design является массивом ячеек и NUMSERIES > 1, каждая ячейка содержит NUMSERIES-by-NUMPARAMS матрица.

Примеры

Смотрите многомерную нормальную регрессию, регрессию наименьших квадратов, метод взвешенных наименьших квадратов ковариации, выполнимые обобщенные наименьшие квадраты и на вид Несвязанную регрессию.

Ссылки

Родерик Дж. А. Литтл и Дональд Б. Рубин. Статистический анализ с Недостающими Данными. 2-й выпуск, John Wiley & Sons, Inc., 2002.

Смотрите также

|

Темы

Представленный в R2006a

Документация Financial Toolbox
Поддержка